新闻资讯

产品结构越来越复杂，精度要求越来越严格，仿真规模也跟着水涨船高——网格量从千万级迈向上亿。仿真工程师们渐渐发现，面对一个上亿网格的外流场算例，最花时间的往往不是建模，而是等待计算结果。

网格划完、模型调好，剩下的时间全交给排队：节点加到几十个，周转时间还是按“天”算；机房、功耗、运维，成本也随之放大。

TF-QFLUX GPU 求解器应运而生：核心场数据和整条求解流程尽可能留在 GPU 上完成，不改变物理模型、不改变隐式求解路线、不改变工程师的工作流——速度提升一个量级，成本下降一个台阶，已有的工作内容一样都不用改。

快>单卡等效 200+ CPU 核，6 卡等效 1800+ 核 *

省>硬件采购成本最高降约 70%，云计算成本最高降约 80%

稳>隐式求解不变、工作流不变、结果与 CPU 版一致

*中小规模算例采用单卡测试，亿级网格以上大规模算例采用6卡并行测试。

01网格越算越大，算力的账也越算越贵

汽车外流场、风噪、船舶水动力、旋转机械……这些工程问题正同时朝三个方向走：更高的网格分辨率、更复杂的流动结构、更多的设计方案。模型从千万网格迈向亿级网格之后，CPU 集群面对的就不只是"单次算得久"——节点数量、网络互连、机房空间、功耗和运维成本，会一起被放大。

更关键的是，CFD 的价值最终落在设计决策上。一次计算快几倍，意味着同一个开发窗口里可以多验证几个方案、可以把瞬态统计时长拉够，或者干脆把更高分辨率的模型提前带进迭代。

对工程团队来说，真正重要的指标从来不是峰值算力，而是解决问题要多久、每次有效仿真要花多少钱。

这也是为什么推出GPU求解器不只是更换了运行求解器代码的硬件。非结构网格上的稀疏线性代数、场变量更新、大量重复计算，同时受限于内存带宽、并行规模和数据传输效率。近年 GPU 的显存容量、显存带宽与通用并行计算生态持续成熟，让越来越多 CFD 核心计算可以长期驻留在本地GPU上完成。

而真正决定最终加速效果的，不是某一个线性求解器快多少，而是整条流程能不能减少 CPU↔GPU 的数据往返、削减小算子的启动与同步开销，并在多 GPU 下保持高效通信。TF-QFLUX GPU 正是围绕这件事，把求解执行链重新梳理了一遍。

02不把 GPU 当"局部加速器"，而是端到端执行

TF-QFLUX GPU 采用端到端 GPU 执行思路：核心场数据处理和求解全流程尽可能保持在本地设备上完成。

对高频场运算，通过计算融合与执行优化，减少中间数据访问、kernel 启动和同步开销；在线性系统求解上，覆盖 AMG、多种 Krylov 子空间方法以及常用预条件算法，为压力、速度等关键方程提供高效求解能力。

同时支持单 GPU 与多 GPU 并行架构，把现代 GPU 的高吞吐能力真正用满，为亿级网格规模的 CFD 仿真提供更高效、也更具成本优势的方案。

一句话：在 TF-QFLUX GPU 里，GPU 不是"加速插件"，而是主计算平台。

使用TF-QFLUX GPU版进行亿级网格的风噪仿真

03提速的前提，是方法没变：仍然是隐式求解

最重要的一点是TF-QFLUX GPU 版不是靠改物理模型、简化求解流程或降低工程标准换来的性能。

它延续原有的隐式求解架构，只是把核心计算路径迁移到GPU 平台——用 GPU 加速线性系统求解、预条件计算和高频场运算，同时保留原有数值方法、收敛策略和工程工作流。

也就是说，工程师不需要为了用上GPU，去改时间步设置、改模型参数、改边界条件，或者改自己的工程判断标准。

04流程不变，速度提升，结果一致

对已有 TF-QFLUX 用户来说，GPU 化意味着不用重新学一套软件，也不用重新准备工程模型。在当前 GPU 支持范围内，原有工程文件、网格、物理设置、监控量和后处理流程都能直接沿用——CPU 与 GPU 的区别，只是求解执行后端不同。

验证结果也支持这一点：在压力场、速度场、流场分布、气动力性能以及流体噪声等关键工程指标上，GPU 版与 CPU 版保持高度一致，能够稳定复现 CPU 版本的计算结果与工程规律。

已经在 CPU 版上验证通过的算例，可以直接迁移到 GPU 平台。稳定性与可信度不变，求解时间大幅缩短，设计人员就能多做几轮方案迭代、更快完成参数优化。

05GPU版能做什么

 TF-QFLUX GPU 版面向航空航天、汽车、能源等领域的典型工业仿真需求，支持从稳态工程分析到瞬态过程模拟，覆盖外气动、流体噪声等关键应用场景。

湍流计算方法上，覆盖RANS、脱体涡与 LES 三个层次：

lRANS 模型：S-A、k-ε、k-ω SST、v2-f 等常用模型

l脱体涡模型：DES、DDES、IDDES 等脱体涡模拟方法

lLES 模型

从常规气动设计，到复杂分离流与气动噪声预测，都能覆盖。

一亿网格DrivAer汽车风噪算例——基于无质量示踪粒子的瞬态湍流结构与尾迹演化可视化

06实测：从 500 万网格到 1 亿网格

我们在多类典型流动算例上验证了 GPU 版本，包括 Ahmed Body 风阻、Suboff 流阻、轴流风机和 DrivAer 风阻风噪，测试覆盖 500 万至 1 亿网格。

中小型算例（500 万 – 2500 万网格）

500万 – 2500万网格算例计算效率（纵轴为加速比）

单张 NVIDIA RTX Pro 6000 的整体效率，约为 128 个 AMD EPYC 9554 @3.1GHz CPU 核的 1.5～2.4 倍；双卡约为 2.3～3.8 倍。换算成等效吞吐，单卡约对应 200～300 个 CPU 核，双卡约对应 300～500 个 CPU 核。

按中小型典型工程算例的综合吞吐来算：

1 张 NVIDIA RTX Pro 6000 ＞ 200 个 AMD EPYC 9554 @3.1GHz 核心

亿级算例（1 亿网格 DrivAer 基准）

亿级非结构网格外流场，是衡量通用 CFD GPU 求解能力非常直接的一把尺子：既考验线性求解器和场运算吞吐，也考验显存容量、数据驻留以及长时间计算的稳定性。

1亿网格 DrivAer 风阻切平面/压强云图

1 亿网格汽车风噪计算结果（左侧为CPU结果，右侧为GPU结果）

1 亿网格 DrivAer 计算效率（纵轴为加速比）

在这项汽车外部空气动力学基准测试中，相同配置、且计算结果与 CPU 及实验值均一致的前提下，6 张 NVIDIA RTX Pro 6000D 显卡的性能，是 512 核的 AMD EPYC 9755 @2.7GHz 集群的约 3.5 倍。在显存充裕的情况下，网格量越大，GPU相比CPU的优势越明显。

按该 1 亿网格 DrivAer 基准的综合吞吐来算：

6 张 NVIDIA RTX Pro 6000D ＞ 1800 个 AMD EPYC 9755 @2.7GHz 核心

07更多的用户价值：真正改变的是每次仿真的成本

当单卡已经达到数百 CPU 核级的等效求解吞吐，硬件规划的方式也会跟着变。

过去为了压缩一个大算例的周转时间，通常要加 CPU 节点、加并行互连、加机柜资源；现在更高的计算密度被收进更少的节点里——一台工作站，或一台多卡服务器，就能承担过去需要 CPU 集群才能完成的任务。

对企业来说，这笔账要按总拥有成本来算，而不是只看单颗芯片的价格：采购成本、节点数量、网络互连、电力与散热、机房空间、日常运维，全都在同一张表上。

CPU 服务器和同等 GPU 服务器的计算成本

在典型算力匹配场景下：

硬件采购成本最高可降低约 70%

云计算成本最高可降低约 80%

还有一项常被忽略的收益：同一个研发周期里能完成更多设计迭代。这部分时间价值，往往比硬件本身更值钱。

08更多物理模型、更高多 GPU 扩展效率、更多国产 GPU

首版 TF-QFLUX GPU 求解器解决了最核心的问题：让通用流体问题跑上 GPU，并且让现有工作流平滑迁移。

接下来，TF-QFLUX 会继续扩展多相流等复杂物理模型，并持续优化现有模型与多 GPU 扩展效率。

同时，TF-QFLUX 将支持更多异构硬件后端。GPU 求解器的架构设计从一开始就把"支持众多国产 GPU"作为关键目标：采用模块化设计理念，把不同 GPU 抽象为统一的后端模型，从而快速适配更多国产 GPU 平台。

我们相信，GPU 不应只是求解器里的"加速选项"，而会逐步成为工业 CFD 的计算底座。TF-QFLUX 正走向面向异构计算时代的新一代工业仿真平台：更快、更低成本，也给用户更多硬件选择。